Klasifikasi Area Tutupan Lahan Vegetasi Menggunakan Convolutional Neural Network

INDONESIA:

Penelitian ini bertujuan untuk mengembangkan model yang dapat melakukan klasifikasi area tutupan lahan vegetasi terhadap citra beresolusi tinggi. Data yang digunakan bersumber dari ISPRS (International Society for Photogrammetry and Remote Sensing) Vaihingen. Model yang digunakan adalah Convolutional Neural Network (CNN) dengan arsitektur Encoder VGG16-Net. Pengujian dilakukan pada 8 skenario dengan perbandingan rasio data latih dan uji adalah 80%:20% dan 70%:30%. Kemudan metode classifier yang digunakan adalah argmax dan threshold. Lalu untuk Neural Network yang dibandingkan adalah 1 hidden layer dan 2 hidden layer. Hasil menunjukkan bahwa penggunaan metode classifier threshold dapat menghemat durasi waktu training selama 44 detik dibandingkan dengan argmax. Kemudian dengan menambah jumlah hidden layer pada Neural Network dapat meningkatkan kinerja model, terdapat peningkatan pada metrik recall, akurasi, F1-score, dan IoU serta terjadi sedikit penurunan pada metrik presisi. Kinerja terbaik yang didapatkan dari segi durasi waktu training adalah selama 12 menit 36 detik. Sedangkan dari segi lima metrik didapatkan kinerja terbaik model mendapatkan nilai presisi sebesar 0.995, recall 0.543, akurasi 0.833, F1-score 0.703, dan IoU 0.542.

ENGLISH:

This research aims to develop a model that can classify vegetation land cover areas on high-resolution images. The data used is sourced from ISPRS (International Society for Photogrammetry and Remote Sensing) Vaihingen. The model used is Convolutional Neural Network (CNN) with VGG16-Net Encoder architecture. Tests were conducted on 8 scenarios with a ratio of training and test data of 80%:20% and 70%:30%. Then the classifier method used is argmax and threshold. Then for the Neural Network that was compared was 1 hidden layer and 2 hidden layers. The results show that using the threshold classifier method can save 44 seconds of training time compared to argmax. Then by increasing the number of hidden layers in the Neural Network can improve model performance, there is an increase in recall, accuracy, F1-score, and IoU metrics and a slight decrease in the Precision metric. The best performance obtained in terms of training time duration is 12 minutes 36 seconds. While in terms of five metrics, the best performance of the model obtained a precision value of 0.995, recall 0.543, accuracy 0.833, F1-score 0.703, and IoU 0.542.

ARABIC:

تهدف هذه الدراسة إلى تطوير نموذج يمكنه تصنيف مناطق الغطاء الأرضي النباتي مقابل الصور عالية الدقة. يتم الحصول على البيانات المستخدمة من ISPRS (الجمعية الدولية للمسح التصويري والاستشعار عن بعد) Vaihingen.النموذج المستخدم هو شبكة عصبية تلافيفية (CNN) مع بنية تشفير VGG16-Net. تم إجراء الاختبار في 8 سيناريوهات مع مقارنة نسبة التدريب وكانت بيانات الاختبار 80٪: 20٪ و 70٪: 30٪. وكانت طريقة المصنف المستخدمة هي argmax و threshold. ثم بالنسبة للشبكة العصبية ، فإن المقارنة هي 1 طبقة مخفية و 2 طبقات مخفية. أظهرت النتائج أن استخدام طريقة مصنف threshold يمكن أن يوفر مدة وقت التدريب بمقدار 44 ثانية مقارنة ب argmax. ثم من خلال زيادة عدد الطبقات المخفية في الشبكة العصبية يمكن أن يحسن أداء النموذج ، وهناك زيادة في مقاييس الاستدعاء والدقة ودرجة F1 و IoU وهناك انخفاض طفيف في مقاييس الدقة. أفضل أداء الذي تم الحصول عليه من حيث مدة التدريب كان 12 دقيقة و 36 ثانية. وفي الوقت نفسه ، من حيث خمسة مقاييس ، حصل أفضل أداء للنموذج على قيمة دقة تبلغ 0.995 ، واستدعاء 0.543 ، ودقة 0.833 ، ودرجة F1 0.703 ، و IoU 0.542.